针对手掌静脉图像数量少且质量参差不齐，进而导致掌脉识别系统的性能降低的现象，提出一种基于侧链连接卷积神经网络的手掌静脉图像识别方法。首先，在ResNet模型的基础上，用卷积层和池化层提取掌脉特征。然后，采用指数线性单元（ELU）激活函数、批归一化（BN）和Dropout技术来改进和优化模型，以缓解梯度消失、防止过拟合、加快收敛及增强模型泛化能力。最后，引入稠密连接网络（DenseNet），使提取到的手掌静脉特征更具丰富性和有效性。在两个公开库和一个自建库上分别进行实验，结果表明所提方法在三个数据库上的识别率分别为99.98%、97.95%、97.96%。可见该方法能有效提高掌脉识别系统的性能，且更适用于掌脉识别的实际应用。

针对掌脉轮廓不清晰，图像对比度低、亮度低，进而导致识别性能降低的现象，提出一种自适应融合的手掌静脉增强方法。首先，基于暗原色先验（DCP）去雾算法，根据掌脉图像变异系数自适应选择去雾系数，得到DCP增强图像，并且基于部分子块重叠直方图均衡（POSHE）算法得到POSHE增强图像；然后，将图像分为16个子块，依据图像灰度均值与标准差确定各子块权重；最后，根据各子块权重对DCP和POSHE增强图像进行自适应融合，得到最终增强图像。该方法既保留了DCP算法在增强图像对比度和亮度的同时不引入明显噪声的优点，又保留了POSHE算法在增强图像对比度和亮度的同时不损失局部细节的特点；同时，两者的自适应融合既解决了DCP图像阴影部分掌脉缺失现象，又削弱了POSHE产生的块效应。在对两个公开库和自建库分别进行的实验中，三个数据库的等错误率分别为0.0004、0.0472、0.0579，识别率分别为99.98%、94.27%、92.05%。实验结果表明，与现有的图像增强方法相比，该方法降低了等错误率，提高了识别精度。